Bagaimana untuk mencipta peta haba korelasi seaborn dalam Python?

Dalam set data, kekuatan dan arah korelasi antara dua pasangan pembolehubah dipaparkan secara grafik melalui peta haba korelasi, yang menggambarkan matriks korelasi. Ia merupakan teknik yang berkesan untuk mencari corak dan sambungan dalam set data berskala besar.

Alat visualisasi data Python Seaborn menyediakan alatan mudah untuk menjana grafik visualisasi statistik. Pengguna boleh melihat dengan cepat matriks korelasi set data melalui keupayaannya untuk mencipta peta haba korelasi.

Kita perlu mengimport set data, mengira matriks korelasi pembolehubah, dan kemudian menggunakan fungsi peta haba Seaborn untuk menjana peta haba bagi membina peta haba korelasi. Peta haba memaparkan matriks yang warnanya mewakili tahap korelasi antara pembolehubah. Selain itu, pengguna boleh memaparkan pekali korelasi pada peta haba.

Peta Haba Korelasi Seaborn ialah teknik visualisasi yang berkesan untuk memeriksa corak dan perhubungan dalam set data dan boleh digunakan untuk menentukan pembolehubah utama untuk penyiasatan lanjut.

Gunakan fungsi Heatmap()

Fungsi peta haba menjana matriks berkod warna yang menggambarkan kekuatan korelasi antara dua pasangan pembolehubah dalam set data. Fungsi peta haba memerlukan kami menyediakan matriks korelasi pembolehubah, yang boleh dikira menggunakan kaedah corr bingkai data Pandas. Fungsi peta haba menyediakan beberapa pilihan pilihan yang membolehkan pengguna mengubah suai kesan visual peta haba, termasuk skema warna, anotasi, saiz carta dan kedudukan.

Tatabahasa

import seaborn as sns
sns.heatmap(data, cmap=None, annot=None)

Data parameter dalam fungsi di atas ialah matriks korelasi yang mewakili set data input. Peta warna yang digunakan untuk mewarnakan peta haba dipanggil cmap.

Terjemahan bahasa Cina bagi

Contoh 1

ialah:

Contoh 1

Dalam contoh ini, kami mencipta peta haba korelasi seaborn menggunakan Python. Mula-mula, kami mengimport perpustakaan seaborn dan matplotlib dan memuatkan set data iris menggunakan fungsi set data beban Seaborn. Set data ini mengandungi pembolehubah SepalLength, SepalWidth, PetalLength dan PetalWidth. Set data iris termasuk ukuran panjang sepal, lebar sepal, panjang kelopak dan lebar kelopak bunga iris. Berikut adalah contoh mesej -

Terjemahan bahasa Cina bagi ialah: diterjemahkan sebagai: Diterjemah ke dalam bahasa Cina:

Nombor siri	sepal_panjang	sepal_width	Panjang kelopak	Lebar kelopak	Spesies
0	5.1	3.5	3.5	1.4	0.2	Sutera licin
1	4.9	3.0	1.4	0.2	Sutera licin
2	4.7	3.2	1.3	0.2	Sutera licin
3	4.6	4.6	3.1	1.5	0.2	Sutera licin
4	5.0	5.0	3.6	1.4	0.2	Sutera licin

Pengguna boleh menggunakan kaedah pemuatan set data Seaborn untuk memuatkan set data iris ke dalam Pandas DataFrame. Matriks korelasi pembolehubah kemudiannya dikira menggunakan kaedah corr kerangka data Pandas dan disimpan dalam pembolehubah yang dipanggil corr_matrix. Kami menggunakan kaedah peta haba Seaborn untuk menjana peta haba. Kami menghantar matriks korelasi corr_matrix kepada fungsi dan menetapkan parameter cmap kepada "suam sejuk" untuk menggunakan warna yang berbeza untuk mewakili korelasi positif dan negatif. Akhir sekali, kami menggunakan kaedah persembahan modul pyplot matplotlib untuk memaparkan peta haba.

# Required libraries 
import seaborn as sns
import matplotlib.pyplot as plt

# Load the iris dataset into a Pandas dataframe
iris_data = sns.load_dataset('iris')

# Creating the correlation matrix of the iris dataset
iris_corr_matrix = iris_data.corr()
print(iris_corr_matrix)

# Create the heatmap using the `heatmap` function of Seaborn
sns.heatmap(iris_corr_matrix, cmap='coolwarm', annot=True)

# Display the heatmap using the `show` method of the `pyplot` module from matplotlib.
plt.show()

Output

              sepal_length  sepal_width  petal_length  petal_width
sepal_length      1.000000    -0.117570      0.871754     0.817941
sepal_width      -0.117570     1.000000     -0.428440    -0.366126
petal_length      0.871754    -0.428440      1.000000     0.962865
petal_width       0.817941    -0.366126      0.962865     1.000000

Contoh 2

Dalam contoh ini, kami sekali lagi menggunakan Python untuk mencipta peta haba korelasi seaborn. Mula-mula, kami mengimport perpustakaan seaborn dan matplotlib dan memuatkan set data berlian menggunakan fungsi set data beban Seaborn. Set Data Berlian termasuk maklumat terperinci tentang kos dan ciri berlian, termasuk berat karat, potongan, warna dan kejelasannya. Ini adalah contoh maklumat −

Terjemahan bahasa Cina bagi ialah: Terjemahan bahasa Cina bagi ialah: diterjemahkan sebagai: Diterjemah ke dalam bahasa Cina: Terjemahan bahasa Cina bagi ialah: Terjemahan bahasa Cina bagi ialah: Terjemahan bahasa Cina bagi ialah: Terjemahan bahasa Cina bagi ialah:

Nombor siri	karat	cut	cut	Warna	Kejelasan	depth	depth	Meja	Harga	x	y	z
0	0.23	Ideal	Ideal	E	SI2	61.5	55.0	55.0	326	3.95	3.95	3.98	2.43
1	0.21	Versi premium	E	SI1	59.8	61.0	326	3.89	3.84	2.31
2	0.23	Baik	E	VS1	56.9	65.0	327	4.05	4.07	2.31
3	0.29	Versi premium	I	I	VS2	62.4	62.4	58.0	334	4.20	4.23	2.63
4	0.31	Baik	J	SI2	63.3	58.0	335	4.34	4.35	2.75	2.75

可以使用 Seaborn 的加载数据集函数将钻石数据集加载到 Pandas DataFrame 中。接下来，使用 Pandas 数据帧的 corr 方法，计算变量的相关矩阵并将其存储在名为 Diamond_corr_matrix 的变量中。为了利用不同的颜色来表示与函数的正相关和负相关，我们传递相关矩阵 corr 矩阵并将 cmap 选项设置为“coolwarm”。最后，我们使用 matplotlib 的 show 方法中的 pyplot 模块来显示热图。

# Required libraries 
import seaborn as sns
import matplotlib.pyplot as plt

# Load the diamond dataset into a Pandas dataframe
diamonds_data = sns.load_dataset('diamonds')

# Compute the correlation matrix of the variables
diamonds_corr_matrix = diamonds_data.corr()
print(diamonds_corr_matrix)

# Create the heatmap using the `heatmap` function of Seaborn
sns.heatmap(diamonds_corr_matrix, cmap='coolwarm', annot=True)

# Display the heatmap using the `show` method of the `pyplot` module from matplotlib.
plt.show()

输出

          carat     depth     table     price         x         y         z
carat  1.000000  0.028224  0.181618  0.921591  0.975094  0.951722  0.953387
depth  0.028224  1.000000 -0.295779 -0.010647 -0.025289 -0.029341  0.094924
table  0.181618 -0.295779  1.000000  0.127134  0.195344  0.183760  0.150929
price  0.921591 -0.010647  0.127134  1.000000  0.884435  0.865421  0.861249
x      0.975094 -0.025289  0.195344  0.884435  1.000000  0.974701  0.970772
y      0.951722 -0.029341  0.183760  0.865421  0.974701  1.000000  0.952006
z      0.953387  0.094924  0.150929  0.861249  0.970772  0.952006  1.000000

热图是一种有益的图形表示形式，seaborn 使其变得简单易用。

Atas ialah kandungan terperinci Bagaimana untuk mencipta peta haba korelasi seaborn dalam Python?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!